
#импортируем нужные библиотеки
import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
import seaborn as sns
import plotly.express as px
from datetime import datetime, timedelta
import datetime as dt
from math import factorial
from scipy import stats as st
from plotly import graph_objects as go


#выгружаем данные с помощью конструкции try except
try:
    ad_costs = pd.read_csv('ad_costs.csv')
except FileNotFoundError:
    print("Файл не найден.")
except pd.errors.EmptyDataError:
    print("Данные пусты")
    
try:
    game_actions = pd.read_csv('game_actions.csv')
except FileNotFoundError:
    print("Файл не найден.")
except pd.errors.EmptyDataError:
    print("Данные пусты")
    
try:
    user_source = pd.read_csv('user_source.csv')
except FileNotFoundError:
    print("Файл не найден.")
except pd.errors.EmptyDataError:
    print("Данные пусты")


ad_costs.info()
ad_costs.head()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 28 entries, 0 to 27
Data columns (total 3 columns):
 #   Column  Non-Null Count  Dtype  
---  ------  --------------  -----  
 0   source  28 non-null     object 
 1   day     28 non-null     object 
 2   cost    28 non-null     float64
dtypes: float64(1), object(2)
memory usage: 800.0+ bytes


game_actions.info()
game_actions.head()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 135640 entries, 0 to 135639
Data columns (total 5 columns):
 #   Column          Non-Null Count   Dtype 
---  ------          --------------   ----- 
 0   event_datetime  135640 non-null  object
 1   event           135640 non-null  object
 2   building_type   127957 non-null  object
 3   user_id         135640 non-null  object
 4   project_type    1866 non-null    object
dtypes: object(5)
memory usage: 5.2+ MB


user_source.info()
user_source.head()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 13576 entries, 0 to 13575
Data columns (total 2 columns):
 #   Column   Non-Null Count  Dtype 
---  ------   --------------  ----- 
 0   user_id  13576 non-null  object
 1   source   13576 non-null  object
dtypes: object(2)
memory usage: 212.2+ KB


display(ad_costs)
ad_costs.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 28 entries, 0 to 27
Data columns (total 3 columns):
 #   Column  Non-Null Count  Dtype  
---  ------  --------------  -----  
 0   source  28 non-null     object 
 1   day     28 non-null     object 
 2   cost    28 non-null     float64
dtypes: float64(1), object(2)
memory usage: 800.0+ bytes


#переводим данные с датой из типа object в тип datetime и округаляем значения
ad_costs['day'] = pd.to_datetime(ad_costs['day']).dt.date

ad_costs['cost'] = round(ad_costs['cost'],2)


display(game_actions)
game_actions.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 135640 entries, 0 to 135639
Data columns (total 5 columns):
 #   Column          Non-Null Count   Dtype 
---  ------          --------------   ----- 
 0   event_datetime  135640 non-null  object
 1   event           135640 non-null  object
 2   building_type   127957 non-null  object
 3   user_id         135640 non-null  object
 4   project_type    1866 non-null    object
dtypes: object(5)
memory usage: 5.2+ MB


#изменяем тип данных из object в datetime
game_actions['event_datetime'] = pd.to_datetime(game_actions['event_datetime']).dt.date


display(game_actions[game_actions['building_type'].isna()])


display(game_actions[game_actions['project_type'].notna()])
display(game_actions['event'].value_counts())

building            127957
finished_stage_1      5817
project               1866
Name: event, dtype: int64


#удалим явные дубликаты из датафрейма
game_actions = game_actions.drop_duplicates()


display(user_source)
user_source.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 13576 entries, 0 to 13575
Data columns (total 2 columns):
 #   Column   Non-Null Count  Dtype 
---  ------   --------------  ----- 
 0   user_id  13576 non-null  object
 1   source   13576 non-null  object
dtypes: object(2)
memory usage: 212.2+ KB


display(user_source['source'].value_counts())

yandex_direct              4817
instagram_new_adverts      3347
facebook_ads               2726
youtube_channel_reklama    2686
Name: source, dtype: int64


user_source = user_source.drop_duplicates()


#создаем таблицу стоимости кликов по дням дял каждого источника
rating_cost = ad_costs.pivot_table(index = 'day', columns = 'source', values = 'cost')

#средняя стоимость кликов для каждог оисчтоника
rating_cost_mean = ad_costs.pivot_table(index = 'source',  values = 'cost', aggfunc = 'mean').reset_index().sort_values(by = 'cost', ascending = False).reset_index(drop = True)

display(rating_cost)

#тепловая карта стоимости кликов 
plt.figure(figsize = (12,8))
rating_cost = rating_cost.astype('int64')
sns.heatmap(rating_cost, annot = True, center = 0,  fmt='',vmax = 1000, vmin = 20, linewidths = 1)
plt.xlabel('Источник')
plt.ylabel('Дата')
plt.title('Стоимость кликов рекламных источников по дням')
plt.yticks(rotation = 0)
plt.show()

display(rating_cost_mean)

#график сердней стоимости  кликов за все дни
plt.figure(figsize = (10,6))
sns.set_style("darkgrid")
sns.barplot(data = rating_cost_mean, x = 'source', y = 'cost')
plt.title('Рейтинг источников по средней цене кликов:')
plt.xlabel('Источники')
plt.ylabel('Средняя стоимость')
plt.show()


#таблица привлеченных пользователей по источникам
rating_source = user_source.groupby('source')['user_id'].agg('count').reset_index().sort_values(by = 'user_id', ascending = False).reset_index(drop = True)
rating_source['ratio_%'] = round(rating_source['user_id'] / rating_source['user_id'].sum() * 100, 1)
rating_source = rating_source.rename(columns = {'user_id' : 'users'})
display(rating_source)

#круговая диаграмма таблицы выше
fig = px.pie(rating_source, values='users', names = 'source', title='Рекламные исчтоники по количеству привлеченных пользователей.')
fig.show()


#таблица популярности событий
rating_event = game_actions['event'].value_counts().reset_index()
rating_event['ratio_%'] = round(rating_event['event'] / rating_event['event'].sum() * 100, 2)
display(rating_event)

#круговая диграмма популярности событий
fig = px.pie(rating_event, values='event', names = 'index', title='Рейтинг популярности событий по количеству.')
fig.show()


#таблица популярных строящихся объектов
rating_building = game_actions['building_type'].value_counts().reset_index()
rating_building['ratio_%'] = round(rating_building['building_type'] / rating_building['building_type'].sum() * 100, 2)
display(rating_building)

#круговая диграмма популярных построек
fig = px.pie(rating_building, values='building_type', names = 'index', title='Рейтинг популярности построек по количеству.')
fig.show()


#создаем 3 категории пользователей - воины, строители и те, кто не достиг 2 уровня
category_builders = game_actions.query('event == "project"')['user_id'].unique()
category_fighters =  game_actions.query('event == "finished_stage_1" and user_id not in @category_builders')['user_id'].unique()
category_first_level = game_actions.query('user_id not in @category_builders and user_id not in @category_fighters')['user_id'].unique()

user_info = user_source

def category(user):
    '''
    В данной функции мы присваиваем каждому user_id категорию 
    в зависимости от его действий в игре
    '''
    if user in category_builders:
        return 'builder'
    elif user in category_fighters:
        return 'fighter'
    elif user in category_first_level:
        return 'first_level'
    
user_info['category'] = user_info['user_id'].apply(category)

first_level = user_info

#таблица пользователей по категориям
category_user = user_info.groupby('category')['user_id'].count().reset_index()
category_user['ratio_%'] = round(category_user['user_id'] / category_user['user_id'].sum() * 100 , 2)

display(category_user)

#круговая диграмма пользователей по категориям
fig = px.pie(category_user, values='user_id', names = 'category', title='Разбивка пользователей по категориям.')
fig.show()

#таблица пользователей второго уровня по пользователям
category_second_level = user_info.query('category == "builder" or category == "fighter"').groupby('category')['user_id'].count().reset_index()
category_second_level['ratio_%'] = round(category_second_level['user_id'] / category_second_level['user_id'].sum() * 100 , 2)

display(category_second_level)

#круговая диаграмма пользователей второго уровня по пользователям
fig = px.pie(category_second_level, values='user_id', names = 'category', title='Разбивка пользователей второго уровня по категориям.')
fig.show()


#оставляем только пользователей, перешедших на второй уровень
user_info = user_info.query('category == "builder" or category == "fighter"').merge(game_actions, on = 'user_id')


#находим первый и последний день активности пользователя
min_date = user_info.groupby('user_id')['event_datetime'].min().reset_index()
max_date = user_info.groupby('user_id')['event_datetime'].max().reset_index()
table_date = min_date.merge(max_date, on = 'user_id')

#путем вычета дат находим количество дней, которые тратят пользователи на достижение второго уровня
table_date['days'] = table_date['event_datetime_y'] - table_date['event_datetime_x']

table_date = table_date[['user_id', 'days']]

user_info = user_info.merge(table_date, on = 'user_id')

#переводим тип данных из datetime в int
user_info['days'] = user_info['days'].dt.days


#таблица времени, которое в среднем тратят пользователи на достижение второго уровня по категориям
time_category = user_info.groupby('category')['days'].median().reset_index()

display('Fighter', user_info.query('category == "fighter"')['days'].describe())
display('Builder', user_info.query('category == "builder"')['days'].describe())
display(time_category)

#график медианного времени, которое в среднем тратят пользователи разных категорий на достижение второго уровня
plt.figure(figsize = (10,6))
sns.set_style("darkgrid")
sns.barplot(data = time_category, x = 'days', y = 'category')
plt.title('Время, которое тратят в среднем при переходе на второй уровень по категориям:')
plt.xlabel('День')
plt.ylabel('Категории')
plt.show()

'Fighter'

count    34149.000000
mean        11.707312
std          4.002223
min          0.000000
25%          9.000000
50%         11.000000
75%         14.000000
max         31.000000
Name: days, dtype: float64

'Builder'

count    22470.000000
mean        13.543525
std          3.534681
min          5.000000
25%         11.000000
50%         13.000000
75%         16.000000
max         29.000000
Name: days, dtype: float64


events_to_second_level = user_info.groupby(['user_id','category'])['event'].count().reset_index()
#таблица количества событий в среднем по категориям
events_categories = events_to_second_level.groupby('category')['event'].median().reset_index()

#таблица объектов, которые строят строители
buildings_builder = user_info.query('category == "builder"')['building_type'].value_counts().reset_index()
buildings_builder['ratio_%'] = round(buildings_builder['building_type'] / buildings_builder['building_type'].sum() * 100, 2)

#таблица объектов, которые строят воины
buildings_fighter = user_info.query('category == "fighter"')['building_type'].value_counts().reset_index()
buildings_fighter['ratio_%'] = round(buildings_fighter['building_type'] / buildings_fighter['building_type'].sum() * 100, 2)

display(events_categories)

#график количества действий по категориям
plt.figure(figsize = (10,6))
sns.set_style("darkgrid")
sns.barplot(data = events_categories, x = 'event', y = 'category')
plt.title('Количество действий до достижения второго уровня по категориям:')
plt.xlabel('Действия')
plt.ylabel('Категории')
plt.show()


display(buildings_builder)

#круговая диаграмма объектов, которые строят строители
fig = px.bar(buildings_builder, x='index', y='building_type', text = 'ratio_%', title = 'Объекты, которые строит категория СТРОИТЕЛИ')
fig.update_layout(xaxis_title="Объекты",yaxis_title="Количество")
fig.show()

display(buildings_fighter)

#круговая диаграмма объектов, которые строят воины
fig = px.bar(buildings_fighter, x='index', y='building_type', text = 'ratio_%', title = 'Объекты, которые строит категория ВОИНЫ')
fig.update_layout(xaxis_title="Объекты",yaxis_title="Количество")
fig.show()


import plotly.express as px
buildings_builder_rev = buildings_builder
buildings_builder_rev['strategy'] = 'builder'
buildings_fighter['strategy'] = 'fighter'

df_rev = pd.concat([buildings_builder, buildings_fighter])
df_rev

fig = px.bar(df_rev, x="strategy", y="building_type", color="index")
fig.update_layout(title = 'Соотношение объектов, которые строят игроки', xaxis_title="Стратегия",yaxis_title="Тип объекта")
fig.show()


#датафрейм с категорией людей, которые не достигли второго уровня
first_level = first_level.query('category == "first_level"').merge(game_actions, on = 'user_id')


min_date = first_level.groupby('user_id')['event_datetime'].min().reset_index()
max_date = first_level.groupby('user_id')['event_datetime'].max().reset_index()
table_date = min_date.merge(max_date, on = 'user_id')

#путем вычета дат находим количество дней, которые пользователи проводят в игре
table_date['days'] = table_date['event_datetime_y'] - table_date['event_datetime_x']

table_date = table_date[['user_id', 'days']]

first_level = first_level.merge(table_date, on = 'user_id')
first_level['days'] = first_level['days'].dt.days


#круговая диаграмма пользователей по категориям
fig = px.pie(category_user, values='user_id', names = 'category', title='Разбивка пользователей по категориям.')
fig.show()

#таблица объектов, которые строят пользователи, недошедшие до второго уровня
first_level_buildings = first_level['building_type'].value_counts().reset_index()
first_level_buildings['ratio_%'] = round(first_level_buildings['building_type'] / first_level_buildings['building_type'].sum() * 100, 2)
display(first_level_buildings)

#круговая диаграмма объектов, которые строят игроки первого уровня
fig = px.bar(first_level_buildings, x='index', y='building_type', text = 'ratio_%', title = 'Объекты, которые строят недошедшие до второго уровня')
fig.update_layout(xaxis_title="Объекты",yaxis_title="Количество")
fig.show()


#создаем отдельный фрейм с категорией строителей
builders = user_info.query('category == "builder"')

#таблица распределения источников среди строителей
builders_source = builders['source'].value_counts().reset_index()
builders_source['ratio_%'] = round(builders_source['source'] / builders_source['source'].sum() * 100, 2)

display(builders_source)

#круговая диаграмма распределения источников среди строителлей
fig = px.bar(builders_source, x='index', y='source', text = 'ratio_%', title = 'Распределение источников по категории СТРОИТЕЛИ')
fig.update_layout(xaxis_title="Источники",yaxis_title="Количество")
fig.show()


#создаем отдельный фрейм с категорией воинов
fighters = user_info.query('category == "fighter"')

#создаем табицу распределения источников среди воинов
fighters_source = fighters['source'].value_counts().reset_index()
fighters_source['ratio_%'] = round(fighters_source['source'] / fighters_source['source'].sum() * 100, 2)

display(fighters_source)

#круговая диаграмма распределения источников среди воинов
fig = px.bar(fighters_source, x='index', y='source', text = 'ratio_%', title = 'Распределение источников по категории ВОИНЫ')
fig.update_layout(xaxis_title="Источники",yaxis_title="Количество")
fig.show()


#таблица распредлеения источников среди первого уровня
first_level_source = first_level['source'].value_counts().reset_index()
first_level_source['ratio_%'] = round(first_level_source['source'] / first_level_source['source'].sum() * 100, 2)

display(first_level_source)

#круговая диаграмма распределения источников среди первого уровня
fig = px.bar(first_level_source, x='index', y='source', text = 'ratio_%', title = 'Распределение источников среди недостигших второго уровня')
fig.update_layout(xaxis_title="Источники",yaxis_title="Количество")
fig.show()


#создаем фрейм с пользователями категории строителями
group_project = user_info.query('category == "builder"')
group_project = group_project[['user_id','days']]
group_project = group_project.drop_duplicates()['days']

#создаем фрейм с пользователями категории воины
group_fight = user_info.query('category == "fighter"')
group_fight = group_fight[['user_id','days']]
group_fight = group_fight.drop_duplicates()['days']

display('Количество пользователей строителей:',group_project.count())
display('Количество пользователей воинов:',group_fight.count())

'Количество пользователей строителей:'

1866

'Количество пользователей воинов:'

3951


#проводим статистический ttest
results = st.ttest_ind(group_project, group_fight, equal_var = False)

#объявляем пороговое значение 5%
alpha = 0.05

print('pvalue:',results.pvalue)

if results.pvalue > alpha:
    print('Оставляем нулевую гипотезу')
else:
    print('Отказываемся от нулевой гипотезы')

pvalue: 6.5704667556440105e-105
Отказываемся от нулевой гипотезы


#траты на инстаграм по дням
instagram = rating_cost['instagram_new_adverts']

#траты на фэйсбук по дням
facebook = rating_cost['facebook_ads']


#проводим ttest 
results = st.ttest_ind(instagram , facebook, equal_var = True)

#объявляем пороговое значение 5%
alpha = 0.05

print('pvalue:',results.pvalue)

if results.pvalue > alpha:
    print('Оставляем нулевую гипотезу')
else:
    print('Отказываемся от нулевой гипотезы')

pvalue: 0.9871252038135099
Оставляем нулевую гипотезу

	source	day	cost
0	facebook_ads	2020-05-03	935.882786
1	facebook_ads	2020-05-04	548.354480
2	facebook_ads	2020-05-05	260.185754
3	facebook_ads	2020-05-06	177.982200
4	facebook_ads	2020-05-07	111.766796

	event_datetime	event	building_type	user_id	project_type
0	2020-05-04 00:00:01	building	assembly_shop	55e92310-cb8e-4754-b622-597e124b03de	NaN
1	2020-05-04 00:00:03	building	assembly_shop	c07b1c10-f477-44dc-81dc-ec82254b1347	NaN
2	2020-05-04 00:00:16	building	assembly_shop	6edd42cc-e753-4ff6-a947-2107cd560710	NaN
3	2020-05-04 00:00:16	building	assembly_shop	92c69003-d60a-444a-827f-8cc51bf6bf4c	NaN
4	2020-05-04 00:00:35	building	assembly_shop	cdc6bb92-0ccb-4490-9866-ef142f09139d	NaN

	source	day	cost
0	facebook_ads	2020-05-03	935.882786
1	facebook_ads	2020-05-04	548.354480
2	facebook_ads	2020-05-05	260.185754
3	facebook_ads	2020-05-06	177.982200
4	facebook_ads	2020-05-07	111.766796
5	facebook_ads	2020-05-08	68.009276
6	facebook_ads	2020-05-09	38.723350
7	instagram_new_adverts	2020-05-03	943.204717
8	instagram_new_adverts	2020-05-04	502.925451
9	instagram_new_adverts	2020-05-05	313.970984
10	instagram_new_adverts	2020-05-06	173.071145
11	instagram_new_adverts	2020-05-07	109.915254
12	instagram_new_adverts	2020-05-08	71.578739
13	instagram_new_adverts	2020-05-09	46.775400
14	yandex_direct	2020-05-03	969.139394
15	yandex_direct	2020-05-04	554.651494
16	yandex_direct	2020-05-05	308.232990
17	yandex_direct	2020-05-06	180.917099
18	yandex_direct	2020-05-07	114.429338
19	yandex_direct	2020-05-08	62.961630
20	yandex_direct	2020-05-09	42.779505
21	youtube_channel_reklama	2020-05-03	454.224943
22	youtube_channel_reklama	2020-05-04	259.073224
23	youtube_channel_reklama	2020-05-05	147.041741
24	youtube_channel_reklama	2020-05-06	88.506074
25	youtube_channel_reklama	2020-05-07	55.740645
26	youtube_channel_reklama	2020-05-08	40.217907
27	youtube_channel_reklama	2020-05-09	23.314669

	event_datetime	event	building_type	user_id	project_type
0	2020-05-04 00:00:01	building	assembly_shop	55e92310-cb8e-4754-b622-597e124b03de	NaN
1	2020-05-04 00:00:03	building	assembly_shop	c07b1c10-f477-44dc-81dc-ec82254b1347	NaN
2	2020-05-04 00:00:16	building	assembly_shop	6edd42cc-e753-4ff6-a947-2107cd560710	NaN
3	2020-05-04 00:00:16	building	assembly_shop	92c69003-d60a-444a-827f-8cc51bf6bf4c	NaN
4	2020-05-04 00:00:35	building	assembly_shop	cdc6bb92-0ccb-4490-9866-ef142f09139d	NaN
...	...	...	...	...	...
135635	2020-06-05 00:08:06	building	research_center	f21d179f-1c4b-437e-b9c6-ab1976907195	NaN
135636	2020-06-05 02:25:12	finished_stage_1	NaN	515c1952-99aa-4bca-a7ea-d0449eb5385a	NaN
135637	2020-06-05 08:57:52	building	research_center	ed3e7d02-8a96-4be7-9998-e9813ff9c316	NaN
135638	2020-06-05 12:12:27	finished_stage_1	NaN	32572adb-900f-4b5d-a453-1eb1e6d88d8b	NaN
135639	2020-06-05 12:32:49	finished_stage_1	NaN	f21d179f-1c4b-437e-b9c6-ab1976907195	NaN

	event_datetime	event	building_type	user_id	project_type
6659	2020-05-04	finished_stage_1	NaN	ced7b368-818f-48f6-9461-2346de0892c5	NaN
13134	2020-05-05	finished_stage_1	NaN	7ef7fc89-2779-46ea-b328-9e5035b83af5	NaN
15274	2020-05-05	finished_stage_1	NaN	70db22b3-c2f4-43bc-94ea-51c8d2904a29	NaN
16284	2020-05-05	finished_stage_1	NaN	903fc9ef-ba97-4b12-9d5c-ac8d602fbd8b	NaN
19650	2020-05-06	finished_stage_1	NaN	58e077ba-feb1-4556-a5a0-d96bd04efa39	NaN
...	...	...	...	...	...
135632	2020-06-04	finished_stage_1	NaN	22cce310-fe10-41a2-941b-9c3d63327fea	NaN
135633	2020-06-04	finished_stage_1	NaN	d477dde8-7c22-4f23-9c4f-4ec31a1aa4c8	NaN
135636	2020-06-05	finished_stage_1	NaN	515c1952-99aa-4bca-a7ea-d0449eb5385a	NaN
135638	2020-06-05	finished_stage_1	NaN	32572adb-900f-4b5d-a453-1eb1e6d88d8b	NaN
135639	2020-06-05	finished_stage_1	NaN	f21d179f-1c4b-437e-b9c6-ab1976907195	NaN

Проект по формированию монетизации игры "Космические братья"¶

Постановка задачи¶

Этап 1: Выгрузка и изучение данных¶

Этап 2: Предобработка данных¶

Этап 3: Исследовательский анализ данных¶

Этап 4: Анализ влияния событий на совершение целевого события¶

Этап 5: Проверка статистических гипотез¶

Этап 6: Подведение итогов и презентация результатов¶

Этап 7: Построение дашбордов¶

Выгрузка и изучение данных¶

Предобработка данных¶

Предобработка ad_costs¶

Предобработка game_actions¶

Предобработка user_source¶

Исследовательский анализ данных¶

Рейтинг рекламных источников по стоимости за клики.¶

Рейтинг рекламных исчтоников по количеству привлеченных пользователей.¶

Рейтинг популярности событий по количеству.¶

Рейтинг популярности строящихся объектов.¶

Общий рейтинг рекламных источников.¶

Анализ влияния событий на совершение целевого события.¶

Разбивка пользователей на категории в зависимости от их способа перехода на второй уровень и их сравнение.¶

Расчет времени, которое тратят пользователи на достижение второго уровня с момента регистрации.¶

Анализ действий пользователей до достижения finished_stage_1.¶

Расчет пользователей, которые останавливаются, так и не совершив переход на новый уровень.¶

Рейтинг источников по категориям игроков:¶

Проверка статистических гипотез¶

Гипотеза о различии трат за клики на Инстаграм и Фэйсбук¶

Подведение итогов и презентация результатов¶

	user_id	source
0	0001f83c-c6ac-4621-b7f0-8a28b283ac30	facebook_ads
1	00151b4f-ba38-44a8-a650-d7cf130a0105	yandex_direct
2	001aaea6-3d14-43f1-8ca8-7f48820f17aa	youtube_channel_reklama
3	001d39dc-366c-4021-9604-6a3b9ff01e25	instagram_new_adverts
4	002f508f-67b6-479f-814b-b05f00d4e995	facebook_ads

	event_datetime	event	building_type	user_id	project_type
47121	2020-05-08	project	NaN	e3c66498-9d45-4000-9392-f81e6796e7da	satellite_orbital_assembly
57398	2020-05-09	project	NaN	936e7af6-8338-4703-a1df-fc6c3f5b8e34	satellite_orbital_assembly
58797	2020-05-09	project	NaN	a4491c86-c498-4f74-a56e-65c136d0e9a1	satellite_orbital_assembly
61174	2020-05-09	project	NaN	85d9e675-562b-4329-8bbd-14d3b39096be	satellite_orbital_assembly
63770	2020-05-10	project	NaN	1889ca71-3c57-4e61-9ea6-a711971bbf0a	satellite_orbital_assembly
...	...	...	...	...	...
135602	2020-06-02	project	NaN	9d98001c-7e14-40d7-896e-46b3047365fd	satellite_orbital_assembly
135603	2020-06-02	project	NaN	df4a1e13-eba9-4928-a7cf-ee303d6f80f9	satellite_orbital_assembly
135609	2020-06-02	project	NaN	82e46f34-e243-4728-8e20-2e171fc33ea4	satellite_orbital_assembly
135617	2020-06-03	project	NaN	fe032991-71e0-48c5-889f-4c3805ba4c9b	satellite_orbital_assembly
135630	2020-06-04	project	NaN	d477dde8-7c22-4f23-9c4f-4ec31a1aa4c8	satellite_orbital_assembly

source	facebook_ads	instagram_new_adverts	yandex_direct	youtube_channel_reklama
day
2020-05-03	935.88	943.20	969.14	454.22
2020-05-04	548.35	502.93	554.65	259.07
2020-05-05	260.19	313.97	308.23	147.04
2020-05-06	177.98	173.07	180.92	88.51
2020-05-07	111.77	109.92	114.43	55.74
2020-05-08	68.01	71.58	62.96	40.22
2020-05-09	38.72	46.78	42.78	23.31

	source	cost
0	yandex_direct	319.015714
1	instagram_new_adverts	308.778571
2	facebook_ads	305.842857
3	youtube_channel_reklama	152.587143

	source	users	ratio_%
0	yandex_direct	4817	35.5
1	instagram_new_adverts	3347	24.7
2	facebook_ads	2726	20.1
3	youtube_channel_reklama	2686	19.8

	index	event	ratio_%
0	building	103637	93.10
1	finished_stage_1	5817	5.23
2	project	1866	1.68

	index	building_type	ratio_%
0	spaceport	49453	47.72
1	assembly_shop	41476	40.02
2	research_center	12708	12.26

	index	building_type	ratio_%
0	spaceport	8759	46.74
1	assembly_shop	6675	35.62
2	research_center	3304	17.63

	index	building_type	ratio_%
0	spaceport	14398	47.68
1	assembly_shop	12386	41.02
2	research_center	3414	11.31

	index	building_type	ratio_%
0	spaceport	26296	48.07
1	assembly_shop	22415	40.98
2	research_center	5990	10.95

	category	user_id	ratio_%
0	builder	1866	13.74
1	fighter	3951	29.10
2	first_level	7759	57.15

	category	days
0	builder	13.0
1	fighter	11.0

	category	event
0	builder	12.0
1	fighter	9.0

	index	source	ratio_%
0	yandex_direct	7435	33.09
1	instagram_new_adverts	5759	25.63
2	facebook_ads	4737	21.08
3	youtube_channel_reklama	4539	20.20

	index	source	ratio_%
0	yandex_direct	12274	35.94
1	instagram_new_adverts	8563	25.08
2	youtube_channel_reklama	6758	19.79
3	facebook_ads	6554	19.19

	index	source	ratio_%
0	yandex_direct	19519	35.68
1	instagram_new_adverts	13320	24.35
2	facebook_ads	11387	20.82
3	youtube_channel_reklama	10475	19.15